LoslegenKostenlos loslegen

Steigungen neu skalieren

Im letzten Plot hast du gesehen, dass sich die Kriminalitätsrate je nach County unterschiedlich verändert. Das zeigt dir, dass du Year in deinem Modell sowohl als Random- als auch als Fixed-Effect aufnehmen solltest. So schätzt du eine globale Steigung über alle Countys hinweg sowie eine eigene Steigung für jedes County. Die Fixed-Effect-Steigung schätzt die Veränderung schwerer Straftaten über alle Countys in Maryland. Die Random-Effect-Steigung modelliert, dass die Countys unterschiedliche Veränderungen in der Kriminalität aufweisen.

Aber: Das Fitten dieses Modells erzeugt eine Warnmeldung! Um diese Warnung zu beheben, ändere den Start von Year von 2006 auf 0. Wir stellen dir dafür die neue Variable Year2 bereit (z. B. entspricht 2006 in Year der 0 in Year2). Manchmal musst du bei Regressionsmodellen den Achsenabschnitt skalieren oder zentrieren, sodass er bei 0 beginnt. Das verbessert die numerische Stabilität des Modells.

Diese Übung ist Teil des Kurses

Hierarchische und gemischte Effekte-Modelle in R

Kurs anzeigen

Anleitung zur Übung

  • Baue ein lmer(), das Crime vorhersagt, mit Year sowohl als Fixed-Effect- als auch als Random-Effect-Steigung und County als Random-Effect-Achsenabschnitt.
  • Baue ein zweites lmer(), das Crime vorhersagt, mit Year2 sowohl als Fixed-Effect- als auch als Random-Effect-Steigung und County als Random-Effect-Achsenabschnitt.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Fit the model with Year as both a fixed and random-effect
lmer(___ ~ Year + (1 + Year | ___) , data = md_crime)

# Fit the model with Year2 rather than Year
lmer(___ ~ Year2 + (1 + Year2 | ___) , data = md_crime)
Code bearbeiten und ausführen